在市级以上医院中，大多数配备了中高档磁共振。在神经内外科、骨科等疾病的诊断中发挥了不可替代的作用。临床研究中，由于扫描仪本身以及扫描过程中的偏差等因素可导致MRI图像上的亮度差异。 换句话说，强度值（从黑色到白色）可以在同一组织内变化，这被称为偏置场。

 

偏置场导致MRI机器的磁场中的不均匀性。 如果未校正偏置字段将导致所有成像处理算法输出不正确的结果。 因此在进行分割或分类之前，需要预处理步骤来校正偏置场的影响，以减少误诊，提高诊断准确性。

 

【MRI图像受偏场畸变影响，常引起强度波动】

 

例如扫描仪中的患者位置，扫描仪本身以及许多未知问题等因素可导致MRI图像上的亮度差异。 换句话说，强度值（从黑色到白色）可以在同一组织内变化， 这被称为偏置场。

 

由于图像采集方法不当以及成像对象的某些特性而产生的一种有害的伪影，这些伪影的特征是图像各处光强的平滑变化。

 

 

因此，偏置场导致MRI机器的磁场中的不均匀性。 如果未校正偏置字段将导致所有成像处理算法输出不正确的结果。 在进行分割或分类之前，则需要预处理步骤来校正偏置场的影响。

 

偏置场-校正方法

前瞻性（基于图像采集处理，硬件调整）

-Phantom-based calibration

-Multicoil Imaging

-Special Sequences

只作用于扫描仪相关偏置

 

回顾性（基于图像及已有知识）

-Filtering based methods

-Surfacefitting-basedmethods

-Segmentationbasedmethods

-Histogram based methods

扫描仪/解剖成像相关偏置均可作用

 

其中Filtering-Based Methods及Histogram-Based Methods最为常见。

 

|Filtering-Based Methods

 

•将偏置视为低频伪像 

•可用低通滤波器将其从图像高频分量中移除 

缺点：

•低频存在有用结构 

•低频的边缘效应

•设置最优临界频率困难

常用滤波器: HF & HUM

 

|Histogram-Based Methods

 

基于强度分布可分为：

•N3

•N4ITK

 

 

以下我们将着重讲述Histogram-Based Methods校正方法

 

问题背景

对于核磁中的一张影像，假设有以下关系成立：

考虑一个无噪声模型，在对数空间下，这个关系变为：

令U，V，F分别为 “u”  ̂, “v”  ̂, “f”  ̂ 的概率密度， 一般来说， “u”  ̂和”f”  ̂是独立的。有如下等式成立：

 

校正策略

目标：重建U的高频容量

假定：field F是平滑、缓慢变化的

方法:

1.propose a distribution of U by sharpening the distribution V

2.estimate the smooth field w.r.t. U

3.back to 1 until converge

 

Field Estimation

 

 

 

Estimate U

 

一组U、F、V以及相关变量示例

 

Smooth

用B-spline近似来平滑f

 

算法流程

 

 

结果对比

 

 

预处理方法能从根本上解决不同MRI扫描机器的不一致吗？

 

Construct an age- and sex-matched dataset from Cam-CAN and UKBB (T1-weighted brain MRI)

 

Glocker B , Robinson R , Castro D C , et al. Machine Learning with Multi-Site Imaging Data: An Empirical Study on the Impact of Scanner Effects[J]. 2019.

 

可采用的预处理方法

•图像方位校正

•头骨分离

•偏置场校正（ N4itk ）

•基于强度的线性配准（rigid and affine)

•强度归一化/直方图标准化/脑组织概率图（自动分割）

 

位点分类

滤波器依然可以高精度预测数据源

 

•性别分类实验

不同数据来源对分类结果的影响

 

•age/sex-matched multi-site data gives realistic estimates of accuracy (similar to single site);

 

•sex imbalance in multi-site leads to overly optimistic accuracy;

 

•training on one site and testing on the other shows drop of performance indicating poor generalization;

 

•when discriminative features such as brain size are removed by affine registration, the drop in performance is more severe

 

文章中提到的偏置场校正作为预处理的一部分也同样搭载在医准智能达尔文科研平台中，针对用户在不同机器采集的数据，以及采集过程中的偶然偏差带来的影响，提高核磁影像的质量，来提取到更为合适的组学特征。使得用户在病灶分类、特征聚类分析等多种实验中更容易取得满意的效果。

 

医准智能达尔文科研平台是AI＋医疗影像的重量级科研工具，具备深度学习和影像组学双引擎，两大技术深度融合，相互辅助，共同将医疗影像科研推想AI深空。

 

如果您有相关临床研究难题，欢迎扫描下方二维码与我们联系，医准智能达尔文智能科研平台将帮助您把医疗问题转化为算法问题，零距离接触AI，实现与临床工作无缝对接。